Семь проблем внедрения решений искусственного интеллекта (ИИ)

Аднан Харуф

Искусственный интеллект начал приносить реальную пользу организациям в различных отраслях. Это станет более очевидным в будущем, поскольку решения на основе ИИ станут более доступными и простыми в реализации. Однако даже при высоком уровне заинтересованности в использовании решений AI и ML внедрение и развертывание во многих организациях все еще остается низким. Во многом это связано с тем, что предприятия не принимают во внимание некоторые реалии проектов ИИ.

Давайте рассмотрим семь проблем, которые необходимо решить предприятиям, чтобы успешно использовать решения на основе искусственного интеллекта.

Бизнес-кейс

Организациям необходимо понимать и идентифицировать явные проблемы, которые потенциально может решить использование решений AI и ML. Им нужно будет подумать о том, как они могут добавить возможности ИИ к существующим и будущим процессам, продуктам и услугам. Вместо того, чтобы просто рисовать широкое видение, они также должны четко понимать, какое влияние оно окажет на бизнес в краткосрочной и долгосрочной перспективе.

Очень часто сложно спрогнозировать и измерить окупаемость инвестиций в ИИ, особенно когда результаты не видны сразу. Но в конечном итоге встроенное непрерывное обучение, которое дает ИИ, поможет организациям более гибко адаптироваться к меняющимся условиям бизнеса.

Навыки и умения

Организациям необходимо нанимать специалистов, обладающих глубокими знаниями о текущих технологиях искусственного интеллекта и их ограничениях. Кроме того, необходимо дополнить этих специалистов по ИИ экспертами в предметной области, которые могут предоставить контекст и прояснить бизнес-проблемы. Эксперты также нуждаются в полном понимании бизнес-целей организации и технологических потребностей, которые помогут реализовать стратегию искусственного интеллекта. Организации с ограниченным бюджетом могут оказаться не в состоянии нанять нужных специалистов, которые требуются для проекта ИИ. Организациям потребуется много времени и усилий, чтобы найти хорошо подготовленных профессионалов с нужным набором навыков, которые смогут создавать корпоративные решения искусственного интеллекта с нуля.

Расходы

На сегодняшнем рынке сложно найти экспертов по AI / ML, бизнес-аналитиков, специалистов по данным и профильных экспертов. Для разработки, развертывания и обслуживания решения ИИ с нуля потребуются инженеры по обработке данных, инженеры по программному обеспечению, менеджеры продуктов / проектов, эксперты по машинному обучению / искусственному интеллекту и соответствующая инфраструктура. Общие затраты, необходимые для типичного проекта ИИ, часто довольно велики, а выполнение разовых проектов особенно дорого.

Инструменты

По данным Gartner, группа разработчиков алгоритмов и решений для анализа данных использует в среднем семь инструментов для создания решения. Многие решают создать собственное решение AI, объединив несколько инструментов обработки данных (Spark, Hive и т. Д.) И инструментов AI / ML (Spark ML, PyTorch, TensorFlow и т. Д.). Многие из этих инструментов представляют собой быстро развивающиеся приложения с открытым исходным кодом, которые недостаточно интегрированы в сквозные рабочие процессы данных. Это ограничение не только замедлит инновации, но и создаст серьезные уязвимости в безопасности и процессах.

Данные

Решения AI создаются и управляются данными. Организации должны иметь базовые данные, а также постоянный источник данных, чтобы поддерживать их работоспособность. Но ИИ также зависит от правильных данных, а не только от любых данных. Для организаций по-прежнему сложно интегрировать данные, поскольку информация обычно распространяется по нескольким приложениям в различных форматах, таких как текст, изображения, видео и аудио. Эксперты знают, что успех ИИ будет зависеть от качества данных для построения моделей и предоставления точных знаний и результатов. Например, в некоторых отраслях, таких как здравоохранение, трудно предсказать исходы рака груди, если не хватает наборов данных о пациентах для приема. Организациям необходимо учитывать проблемы, которые необходимо решить ИИ, и уделять время подготовке данных.

Инфраструктура

Обработка данных, хранение, вычисление, масштабирование, расширяемость и безопасность - все это важные компоненты, необходимые предприятиям для развертывания решения AI. Окончательный успех организации в области ИИ всегда начинается с того, насколько подходит ее инфраструктурная среда для поддержки мощных приложений ИИ и рабочих нагрузок. Это включает в себя:

  • Правильное сочетание возможностей обработки и высокоскоростного хранилища для поддержки современных моделей машинного обучения и глубокого обучения.
  • Правильное программное обеспечение, настроенное и оптимизированное для работы с базовым оборудованием.
  • Единый интерфейс, который может управлять большинством движущихся частей и компонентов.
  • Гибкая инфраструктура, которую можно развернуть в облаке или в локальном центре обработки данных для оптимизации производительности.

Организации должны думать об инфраструктуре более широко, чтобы успешно использовать ИИ сегодня и в будущем.

Интеграции

В конечном итоге успех внедрения ИИ в организации будет зависеть от того, насколько хорошо решение интегрируется с существующей инфраструктурой и бизнес-функциями. Организация должна быть достаточно гибкой, чтобы адаптировать новые бизнес-модели, новые командные модели и новые рабочие процессы для всех отделов и команд. Внедрение ИИ в бизнес - это не только проблема, связанная с людьми и процессами, но и технологическая.

Вывод

Как только корпоративная организация сможет преодолеть эти проблемы, она, наконец, сможет использовать ИИ для радикальной революции в бизнесе, улучшения процессов и повышения производительности труда сотрудников. Ключевым моментом будет минимизация проблем и максимизация выгод от внедрения основных возможностей ИИ. Организациям необходимо будет найти правильный подход для реализации решений на основе ИИ без необходимости создавать все с нуля. Возможность многократного использования таких компонентов, как данные, модели и методы обработки, имеет решающее значение для расширения использования ИИ.

Первоначально опубликовано на petuum.com 2 апреля 2019 г.